CN111062512B - 一种风电功率预测方法 - Google Patents

一种风电功率预测方法 Download PDF

Info

Publication number
CN111062512B
CN111062512B CN201911114416.5A CN201911114416A CN111062512B CN 111062512 B CN111062512 B CN 111062512B CN 201911114416 A CN201911114416 A CN 201911114416A CN 111062512 B CN111062512 B CN 111062512B
Authority
CN
China
Prior art keywords
components
svr
wind power
prediction
mode
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201911114416.5A
Other languages
English (en)
Other versions
CN111062512A (zh
Inventor
董朕
甘文琪
邓民皓
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Power Grid Co Ltd
Zhaoqing Power Supply Bureau of Guangdong Power Grid Co Ltd
Original Assignee
Guangdong Power Grid Co Ltd
Zhaoqing Power Supply Bureau of Guangdong Power Grid Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangdong Power Grid Co Ltd, Zhaoqing Power Supply Bureau of Guangdong Power Grid Co Ltd filed Critical Guangdong Power Grid Co Ltd
Priority to CN201911114416.5A priority Critical patent/CN111062512B/zh
Publication of CN111062512A publication Critical patent/CN111062512A/zh
Application granted granted Critical
Publication of CN111062512B publication Critical patent/CN111062512B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于风电功率预测技术领域，具体涉及一种风电功率预测方法，首先根据EEMD对风电功率时间序列进行分解，得到多个IMF分量和一个余量，然后采用VMD对EEMD分解产生的IMF1分量进行二次分解，得到多个不同频段的子分量，对分解得到的全部分量构建各自的训练数据集和测试数据集，然后对对每个分量分别建立SVR预测模型，同时采用萤火虫算法优化SVR的参数，提高模型的泛化能力和预测精度；最后将测试样本输入训练好的SVR中得到风电功率预测结果。本方法充分考虑分解得到的高频IMF1分量对预测结果的影响，能获得较高精度的短期风电功率预测结果。

Description

一种风电功率预测方法
技术领域
本发明属于风电功率预测技术领域，具体讲涉及一种风电功率预测方法。
背景技术
风电由于其应用技术日益成熟以及能源的清洁性，受到世界各国的青睐，发展规模迅速扩大，在电网规划中的比重也逐年上升。但风电出力自身的波动性和间歇性特点是影响风电大规模并网的主要因素。准确的风电功率预测，可为电网安排发电计划、停机检修提供可靠参考，有利于保证系统的安全可靠和经济运行。
受风电功率高不规则性的影响，简单的预测模型很难得到理想精度的预测结果，故为降低风功率的非平稳性对预测结果的影响，数据分解技术成为降低风电功率非平稳性的重要手段。近年来，小波分解、小波包分解、经验模态分解、集合经验模态分解(ensembleempirical mode decomposition，EEMD)在风电功率领域得到广泛应用。诸多文献采用EMD和EEMD用于原始风电功率时间序列的预处理，取得比单一预测方式更好的结果，但均未考虑分解得到的高频IMF1分量对预测结果的影响，由于IMF1分量具有较高的非线性，影响风电功率的预测精度。支持向量机(Support Vector Regression Machine，SVR)依据结构风险最小化的思想，模型建立方式大致与神经网络相同，都是以大量的样本数据训练来建立相应的预测模型，该模型虽然泛化能力强、全局寻优效果好，被广泛应用于风电功率预测，但人为选择其学习参数依然是该方法存在的致命缺点。因此，上述缺陷是亟需解决的问题。
发明内容
本发明提供一种风电功率预测方法，该方法可应用于风能相关领域的科学研究和工程应用，可提高风电功率的预测精度。
本发明的技术方案如下：
一种风电功率预测方法，包括以下步骤：
S1、根据EEMD对风电功率时间序列进行分解，得到多个IMF分量和一个余量；
S2、采用VMD对EEMD分解产生的IMF1分量进行二次分解，得到多个不同频段的子分量，其中IMF1分量为最高频的IMF分量；
S3、对分解得到的全部分量构建各自的训练数据集和测试数据集；
S4、对每个分量分别建立萤火虫算法优化SVR预测模型，采用训练数据集中全部分量的训练样本逐一对萤火虫算法优化SVR预测模型进行训练，得到各自对应的风电功率预测子模型；
S5、将测试数据集中的全部分量的测试样本逐一输入到各自对应的风电功率预测子模型进行预测，得到每个风电功率子模型的预测输出值；
S6、将每个风电功率预测子模型的预测输出值进行组合叠加处理，得到最终的风电功率预测结果。
EEMD(ensemble empirical mode decomposition)为集合经验模态分解的简称；
IMF(Intrinsic Mode Function)为固有模态函数的简称；
VMD(Variational mode decomposition)为变分模态分解的简称；
SVR(Support Vector Regression Machine)为支持向量机的简称。
进一步，步骤S1中根据EEMD对风电功率时间序列进行分解的过程为：
通过EEMD将时间序列数据分解成多个IMF：
Figure BDA0002273667400000021
式中，ci(t)为第i个IMF分量；rn(t)为余量；n为IMF分量总数。
进一步，步骤S2中采用VMD对EEMD分解产生的IMF1分量进行二次分解，得到多个不同频段的子分量的过程为：
VMD是将实值信号分解成不同模式分量uk的信号处理过程，其在产生主信号时具有特定的稀疏特性；假设每个模式k具有一个在分解过程中确定的中心频率ωk，因此，每个模式的稀疏特性是其在频谱域中的带宽，获得模式带宽后，再用VMD进行分解。
进一步，为了获得模式带宽，包括以下步骤：
S21、对每个模式分量uk应用希尔伯特变换以获得单侧频谱；
S22、将上述的单侧频谱变换到基带，通过使用指数调谐到相应估计的中心频率；
S23、通过解调信号的H1高斯平滑度，即梯度L的平方来估计带宽，因此，通过解决以下优化问题来实现分解处理：
Figure BDA0002273667400000031
s.t.∑kuk＝f(t) (2)
式中：
Figure BDA0002273667400000032
表示偏微分，uk(t)表示时域下的模式分量，f(t)是待分解的主信号；{uk}＝{u1,L,uk}和{ωk}＝{ω1,L,ωk}分别表示所有模式分量uk的集合及其中心频率；δ(t)是狄拉克分布；*表示卷积；为解决约束，采用惩罚项和拉格朗日乘数λ将上式(2)变为如下无约束优化问题：
Figure BDA0002273667400000033
式中：α为平衡参数；λ为拉格朗日乘子，使用乘子交替方向法来求解原始最小化问题，由此可得：
Figure BDA0002273667400000034
Figure BDA0002273667400000035
式中：
Figure BDA0002273667400000036
和
Figure BDA0002273667400000037
分别为f(ω)、
Figure BDA0002273667400000038
和
Figure BDA0002273667400000039
的傅里叶变换；n为迭代次数；f(ω)表示频域下的待分解的主信号，
Figure BDA00022736674000000310
和
Figure BDA00022736674000000311
分别表示频域下迭代n次时第i个模式分量和拉格朗日乘数值，
Figure BDA00022736674000000312
表示频域下迭代n+1次时第k个模式分量，
Figure BDA00022736674000000313
为当前模态函数功率谱的重心。
进一步，获得带宽后，利用VMD进行分解的步骤如下：
S24、对
Figure BDA0002273667400000041
进行初始化，迭代次数n置1；其中
Figure BDA0002273667400000042
表示模式中心频率，
Figure BDA0002273667400000043
表示所有模式分量的集合，
Figure BDA0002273667400000044
拉格朗日乘数值；
S25、对全部模式分量uk依公式(4)和(5)进行更新得到
Figure BDA0002273667400000045
和
Figure BDA0002273667400000046
S26、对拉格朗日乘子进行更新：
Figure BDA0002273667400000047
式中τ为更新参数；
S27、判断是否满足下式的收敛条件：
Figure BDA0002273667400000048
若满足，分解过程结束；否则，迭代次数n加1，转公式(3)。
进一步，步骤S3中对分解得到的全部分量构建各自的训练数据集和测试数据集的过程为：
分解得到n个分量各自的训练数据集Trn包含输入数据Xn和输出数据Yn，输入数据
Figure BDA0002273667400000049
其中m为预测模型输入个数，输出数据
Figure BDA00022736674000000410
l的取值由预测模型输出个数决定；分解得到n个分量各自的测试数据集Ten的构建方式与训练数据集Trn的构建方式相同。
进一步，输入数据和输出数据是对第n个分量的时间序列进行连续采集而得到。
进一步，步骤S3中所述的全部分量是指步骤S1中分解得到的除IMF1之外的多个IMF分量和一个余量、以及步骤S2中对IMF1二次分解得到的多个不同频段的子分量。
进一步，步骤S4中建立的萤火虫算法优化SVR预测模型的过程为：
S41、建立SVR预测模型，SVR通过目标函数最小化来确定回归函数：
Figure BDA0002273667400000051
式中：f(xi)为SVR预测输出值，yi为SVR目标输出值，C是惩罚系数；ξi、
Figure BDA0002273667400000052
为松弛因子；ε为不敏感损失系数；这里引入拉格朗日乘子，可将上式(8)转化为以下对偶问题的求解：
Figure BDA0002273667400000053
Figure BDA0002273667400000054
式中：K(xi,xj)为核函数，满足Mercer条件；ai和
Figure BDA0002273667400000055
为拉格朗日乘子；
求解上式(9)可得到最优回归函数为：
Figure BDA0002273667400000056
S42、萤火虫算法优化SVR过程如下：
SVR预测时需要选择的学习参数包括惩罚系数C和核函数K(xi,xj)的核参数σ；
S421、确定萤火虫算法的随机因子α、吸收系数γ、最大吸引度β0、种群规模M、最大迭代次数Tmaxgen和粒子维数D；
S422、对所要优化的SVR惩罚系数C和核参数σ进行粒子编码，并随机产生初始种群X＝[X1,X2,...,XM]T，其中第i个粒子为：
Xi＝[Ci,σi]，i＝1,2,...,M (11)
S423、将每个粒子转换成SVR对应的惩罚系数C和核参数σ，然后对训练样本数据进行预测，代次数k置1，根据下式计算初始种群中每个粒子的适应度值：
Figure BDA0002273667400000057
其中，
Figure BDA0002273667400000058
表示预测值，P(t)表示实际值，N表示训练集数据总数；
S424、上述的粒子探索目标空间，在目标空间的k次迭代中，由I表示粒子荧光亮度：
Figure BDA0002273667400000061
其中，γ是荧光亮度的吸收系数，r是萤火虫之间的距离；I0为萤火虫的最大荧光亮度，即为r＝0处的自身荧光亮度，取决于需要寻优的目标函数值，用下式表示：
Figure BDA0002273667400000062
萤火虫的吸引度β可计算如下：
Figure BDA0002273667400000063
其中，β0是距离为0时的吸引度，即最大吸引度；两个萤火虫i和j之间的距离r可以计算如下：
Figure BDA0002273667400000064
其中，Sid和Sjd分别是粒子萤火虫i和j在第d维解空间所处的位置；
计算粒子Xi(k)和粒子Xj(k)的荧光亮度Ii和Ij，若Ij>Ii，则粒子Xi(k)的位置更新公式如下：
Xi(k+1)＝Xi(k)+β(Xj(k)-Xi(k))+(rand-0.5) (17)
其中，rand是随机值，粒子更新完成后，计算更新位置后的粒子适应度值，最优个体Xbest；
S425、判断当前迭代次数k>Tmaxgen，则结束寻优，将Xbest转换为SVR对应的C和σ进行预测；若k<Tmaxgen，则k＝k+1，转步骤S424进行下一轮迭代。
进一步，核函数K(xi,xj)采用径向基核函数：
K(x,xi)＝exp(-||x-xi||2/2σ2) (18)
其中，σ为核参数。
本发明的有益效果为：
本发明首先根据EEMD对风电功率时间序列进行分解，得到多个IMF分量和一个余量，然后采用VMD对EEMD分解产生的IMF1分量进行二次分解，得到多个不同频段的子分量，对分解得到的全部分量构建各自的训练数据集和测试数据集，然后对对每个分量分别建立SVR预测模型，同时采用萤火虫算法优化SVR的参数，提高模型的泛化能力和预测精度；最后将测试样本输入训练好的SVR中得到风电功率预测结果；本方法充分考虑分解得到的高频IMF1分量对预测结果的影响，能获得较高精度的短期风电功率预测结果。
附图说明
图1是本发明的流程示意图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。附图中描述位置关系仅用于示例性说明，不能理解为对本专利的限制。
实施例1：
如图1所示，一种风电功率预测方法，包括以下步骤：
S1、根据EEMD对风电功率时间序列进行分解，得到多个IMF分量和一个余量；
S2、采用VMD对EEMD分解产生的IMF1分量进行二次分解，得到多个不同频段的子分量，其中IMF1分量为最高频的IMF分量；
S3、对分解得到的全部分量构建各自的训练数据集和测试数据集；
S4、对每个分量分别建立萤火虫算法优化SVR预测模型，采用训练数据集中全部分量的训练样本逐一对萤火虫算法优化SVR预测模型进行训练，得到各自对应的风电功率预测子模型；
S5、将测试数据集中的全部分量的测试样本逐一输入到各自对应的风电功率预测子模型进行预测，得到每个风电功率子模型的预测输出值；
S6、将每个风电功率预测子模型的预测输出值进行组合叠加处理，得到最终的风电功率预测结果。
在本实施例中，步骤S1中根据EEMD对风电功率时间序列进行分解的过程为：
通过EEMD将时间序列数据分解成多个IMF：
Figure BDA0002273667400000081
式中，ci(t)为第i个IMF分量；rn(t)为余量；n为IMF分量总数。
在本实施例中，步骤S2中采用VMD对EEMD分解产生的IMF1分量进行二次分解，得到多个不同频段的子分量的过程为：
VMD是将实值信号分解成不同模式分量uk的信号处理过程，其在产生主信号时具有特定的稀疏特性；假设每个模式k具有一个在分解过程中确定的中心频率ωk，因此，每个模式的稀疏特性是其在频谱域中的带宽，获得模式带宽后，再用VMD进行分解。
为了获得模式带宽，包括以下步骤：
S21、对每个模式分量uk应用希尔伯特变换以获得单侧频谱；
S22、将上述的单侧频谱变换到基带，通过使用指数调谐到相应估计的中心频率；
S23、通过解调信号的H1高斯平滑度，即梯度L的平方来估计带宽，因此，通过解决以下优化问题来实现分解处理：
Figure BDA0002273667400000082
s.t.∑kuk＝f(t) (2)
式中：
Figure BDA0002273667400000083
表示偏微分，uk(t)表示时域下的模式分量，f(t)是待分解的主信号；{uk}＝{u1,L,uk}和{ωk}＝{ω1,L,ωk}分别表示所有模式分量uk的集合及其中心频率；δ(t)是狄拉克分布；*表示卷积；为解决约束，采用惩罚项和拉格朗日乘数λ将上式(2)变为如下无约束优化问题：
Figure BDA0002273667400000084
式中：α为平衡参数；λ为拉格朗日乘子，使用乘子交替方向法来求解原始最小化问题，由此可得：
Figure BDA0002273667400000091
Figure BDA0002273667400000092
式中：
Figure BDA0002273667400000093
和
Figure BDA0002273667400000094
分别为f(ω)、
Figure BDA0002273667400000095
和
Figure BDA0002273667400000096
的傅里叶变换；n为迭代次数；f(ω)表示频域下的待分解的主信号，
Figure BDA0002273667400000097
和
Figure BDA0002273667400000098
分别表示频域下迭代n次时第i个模式分量和拉格朗日乘数值，
Figure BDA0002273667400000099
表示频域下迭代n+1次时第k个模式分量，
Figure BDA00022736674000000910
为当前模态函数功率谱的重心。
获得带宽后，利用VMD进行分解的步骤如下：
S24、对
Figure BDA00022736674000000911
进行初始化，迭代次数n置1；其中
Figure BDA00022736674000000912
表示模式中心频率，
Figure BDA00022736674000000913
表示所有模式分量的集合，
Figure BDA00022736674000000914
拉格朗日乘数值；
S25、对全部模式分量uk依公式(4)和(5)进行更新得到
Figure BDA00022736674000000915
和
Figure BDA00022736674000000916
S26、对拉格朗日乘子进行更新：
Figure BDA00022736674000000917
式中τ为更新参数；
S27、判断是否满足下式的收敛条件：
Figure BDA00022736674000000918
若满足，分解过程结束；否则，迭代次数n加1，转公式(3)。
在本实施例中，步骤S3中对分解得到的全部分量构建各自的训练数据集和测试数据集的过程为：
分解得到n个分量各自的训练数据集Trn包含输入数据Xn和输出数据Yn，输入数据
Figure BDA0002273667400000101
其中m为预测模型输入个数，输出数据
Figure BDA0002273667400000102
l的取值由预测模型输出个数决定；分解得到n个分量各自的测试数据集Ten的构建方式与训练数据集Trn的构建方式相同。
在本实施例中，输入数据和输出数据是对第n个分量的时间序列进行连续采集而得到。
在本实施例中，步骤S3中所述的全部分量是指步骤S1中分解得到的除IMF1之外的多个IMF分量和一个余量、以及步骤S2中对IMF1二次分解得到的多个不同频段的子分量。
在本实施例中，步骤S4中建立的萤火虫算法优化SVR预测模型的过程为：
S41、建立SVR预测模型，SVR通过目标函数最小化来确定回归函数：
Figure BDA0002273667400000103
式中：f(xi)为SVR预测输出值，yi为SVR目标输出值，C是惩罚系数；ξi、
Figure BDA0002273667400000104
为松弛因子；ε为不敏感损失系数；这里引入拉格朗日乘子，可将上式(8)转化为以下对偶问题的求解：
Figure BDA0002273667400000105
Figure BDA0002273667400000106
式中：K(xi,xj)为核函数，满足Mercer条件；ai和
Figure BDA0002273667400000107
为拉格朗日乘子；
求解上式(9)可得到最优回归函数为：
Figure BDA0002273667400000108
S42、萤火虫算法优化SVR过程如下：
SVR预测时需要选择的学习参数包括惩罚系数C和核函数K(xi,xj)的核参数σ；
S421、确定萤火虫算法的随机因子α、吸收系数γ、最大吸引度β0、种群规模M、最大迭代次数Tmaxgen和粒子维数D；
S422、对所要优化的SVR惩罚系数C和核参数σ进行粒子编码，并随机产生初始种群X＝[X1,X2,...,XM]T，其中第i个粒子为：
Xi＝[Ci,σi]，i＝1,2,...,M (11)
S423、将每个粒子转换成SVR对应的惩罚系数C和核参数σ，然后对训练样本数据进行预测，代次数k置1，根据下式计算初始种群中每个粒子的适应度值：
Figure BDA0002273667400000111
其中，
Figure BDA0002273667400000112
表示预测值，P(t)表示实际值，N表示训练集数据总数；
S424、上述的粒子探索目标空间，在目标空间的k次迭代中，由I表示粒子荧光亮度：
Figure BDA0002273667400000113
其中，γ是荧光亮度的吸收系数，r是萤火虫之间的距离；I0为萤火虫的最大荧光亮度，即为r＝0处的自身荧光亮度，取决于需要寻优的目标函数值，用下式表示：
Figure BDA0002273667400000114
萤火虫的吸引度β可计算如下：
Figure BDA0002273667400000115
其中，β0是距离为0时的吸引度，即最大吸引度；两个萤火虫i和j之间的距离r可以计算如下：
Figure BDA0002273667400000121
其中，Sid和Sjd分别是粒子萤火虫i和j在第d维解空间所处的位置；
计算粒子Xi(k)和粒子Xj(k)的荧光亮度Ii和Ij，若Ij>Ii，则粒子Xi(k)的位置更新公式如下：
Xi(k+1)＝Xi(k)+β(Xj(k)-Xi(k))+(rand-0.5) (17)
其中，rand是随机值，粒子更新完成后，计算更新位置后的粒子适应度值，最优个体Xbest；
S425、判断当前迭代次数k>Tmaxgen，则结束寻优，将Xbest转换为SVR对应的C和σ进行预测；若k<Tmaxgen，则k＝k+1，转步骤S424进行下一轮迭代。
在本实施例中，核函数K(xi,xj)采用径向基核函数：
K(x,xi)＝exp(-||x-xi||2/2σ2) (18)
其中，σ为核参数。
本发明首先根据EEMD对风电功率时间序列进行分解，得到多个IMF分量和一个余量，然后采用VMD对EEMD分解产生的IMF1分量进行二次分解，得到多个不同频段的子分量，对分解得到的全部分量构建各自的训练数据集和测试数据集，然后对对每个分量分别建立SVR预测模型，同时采用萤火虫算法优化SVR的参数，提高模型的泛化能力和预测精度；最后将测试样本输入训练好的SVR中得到风电功率预测结果；本方法充分考虑分解得到的高频IMF1分量对预测结果的影响，能获得较高精度的短期风电功率预测结果。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (4)

1.一种风电功率预测方法，其特征在于，包括以下步骤：
S1、根据EEMD对风电功率时间序列进行分解，得到多个IMF分量和一个余量；
S2、采用VMD对EEMD分解产生的IMF1分量进行二次分解，得到多个不同频段的子分量，其中IMF1分量为最高频的IMF分量；
S3、对分解得到的全部分量构建各自的训练数据集和测试数据集；
S4、对每个分量分别建立萤火虫算法优化SVR预测模型，采用训练数据集中全部分量的训练样本逐一对萤火虫算法优化SVR预测模型进行训练，得到各自对应的风电功率预测子模型；
S5、将测试数据集中的全部分量的测试样本逐一输入到各自对应的风电功率预测子模型进行预测，得到每个风电功率子模型的预测输出值；
S6、将每个风电功率预测子模型的预测输出值进行组合叠加处理，得到最终的风电功率预测结果；
其中，步骤S1中根据EEMD对风电功率时间序列进行分解的过程为：
通过EEMD将时间序列数据分解成多个IMF：
Figure FDA0003206126870000011
式中，ci(t)为第i个IMF分量；rn(t)为余量；n为IMF分量总数；
其中，步骤S2中采用VMD对EEMD分解产生的IMF1分量进行二次分解，得到多个不同频段的子分量的过程为：
VMD是将实值信号分解成不同模式分量uk的信号处理过程，其在产生主信号时具有特定的稀疏特性；假设每个模式k具有一个在分解过程中确定的中心频率ωk，因此，每个模式的稀疏特性是其在频谱域中的带宽，获得模式带宽后，再用VMD进行分解；
其中，为了获得模式带宽，包括以下步骤：
S21、对每个模式分量uk应用希尔伯特变换以获得单侧频谱；
S22、将上述的单侧频谱变换到基带，通过使用指数调谐到相应估计的中心频率；
S23、通过解调信号的H1高斯平滑度，即梯度L的平方来估计带宽，因此，通过解决以下优化问题来实现分解处理：
Figure FDA0003206126870000021
s.t.∑kuk＝f(t) (2)
式中：
Figure FDA0003206126870000022
表示偏微分，uk(t)表示时域下的模式分量，f(t)是待分解的主信号；{uk}＝{u1,…,uk}和{ωk}＝{ω1,…,ωk}分别表示所有模式分量uk的集合及其中心频率；δ(t)是狄拉克分布；*表示卷积；为解决约束，采用惩罚项和拉格朗日乘数λ将上式(2)变为如下无约束优化问题：
Figure FDA0003206126870000023
式中：α为平衡参数；λ为拉格朗日乘子，使用乘子交替方向法来求解原始最小化问题，由此得：
Figure FDA0003206126870000024
Figure FDA0003206126870000025
式中：
Figure FDA0003206126870000026
和
Figure FDA0003206126870000027
分别为f(ω)、
Figure FDA0003206126870000028
和
Figure FDA0003206126870000029
的傅里叶变换；n为迭代次数；f(ω)表示频域下的待分解的主信号，
Figure FDA00032061268700000210
和
Figure FDA00032061268700000211
分别表示频域下迭代n次时第i个模式分量和拉格朗日乘数值，
Figure FDA00032061268700000212
表示频域下迭代n+1次时第k个模式分量，
Figure FDA00032061268700000213
为当前模态函数功率谱的重心；
其中，获得带宽后，利用VMD进行分解的步骤如下：
S24、对
Figure FDA0003206126870000031
进行初始化，迭代次数n置1；其中
Figure FDA0003206126870000032
表示模式中心频率，
Figure FDA0003206126870000033
表示所有模式分量的集合，
Figure FDA0003206126870000034
拉格朗日乘数值；
S25、对全部模式分量uk依公式(4)和(5)进行更新得到
Figure FDA0003206126870000035
和
Figure FDA0003206126870000036
S26、对拉格朗日乘子进行更新：
Figure FDA0003206126870000037
式中τ为更新参数；
S27、判断是否满足下式的收敛条件：
Figure FDA0003206126870000038
若满足，分解过程结束；否则，迭代次数n加1，转公式(3)；
其中，步骤S3中对分解得到的全部分量构建各自的训练数据集和测试数据集的过程为：
分解得到n个分量各自的训练数据集Trn包含输入数据Xn和输出数据Yn，输入数据
Figure FDA0003206126870000039
其中m为预测模型输入个数，输出数据
Figure FDA00032061268700000310
l的取值由预测模型输出个数决定；分解得到n个分量各自的测试数据集Ten的构建方式与训练数据集Trn的构建方式相同；
其中，步骤S4中建立的萤火虫算法优化SVR预测模型的过程为：
S41、建立SVR预测模型，SVR通过目标函数最小化来确定回归函数：
Figure FDA00032061268700000311
式中：f(xi)为SVR预测输出值，yi为SVR目标输出值，C是惩罚系数；ξi、
Figure FDA00032061268700000312
为松弛因子；ε为不敏感损失系数；这里引入拉格朗日乘子，将上式(8)转化为以下对偶问题的求解：
Figure FDA0003206126870000041
Figure FDA0003206126870000042
式中：K(xi,xj)为核函数，满足Mercer条件；ai和
Figure FDA0003206126870000043
为拉格朗日乘子；
求解上式(9)得到最优回归函数为：
Figure FDA0003206126870000044
S42、萤火虫算法优化SVR过程如下：
SVR预测时需要选择的学习参数包括惩罚系数C和核函数K(xi,xj)的核参数σ；
S421、确定萤火虫算法的随机因子α、吸收系数γ、最大吸引度β0、种群规模M、最大迭代次数Tmaxgen和粒子维数D；
S422、对所要优化的SVR惩罚系数C和核参数σ进行粒子编码，并随机产生初始种群X＝[X1,X2,...,XM]T，其中第i个粒子为：
Xi＝[Ci,σi]，i＝1,2,...,M (11)
S423、将每个粒子转换成SVR对应的惩罚系数C和核参数σ，然后对训练样本数据进行预测，代次数k置1，根据下式计算初始种群中每个粒子的适应度值：
Figure FDA0003206126870000045
其中，
Figure FDA0003206126870000046
表示预测值，P(t)表示实际值，N表示训练集数据总数；
S424、上述的粒子探索目标空间，在目标空间的k次迭代中，由I表示粒子荧光亮度：
Figure FDA0003206126870000047
其中，γ是荧光亮度的吸收系数，r是萤火虫之间的距离；I0为萤火虫的最大荧光亮度，即为r＝0处的自身荧光亮度，取决于需要寻优的目标函数值，用下式表示：
Figure FDA0003206126870000051
萤火虫的吸引度β计算如下：
Figure FDA0003206126870000052
其中，β0是距离为0时的吸引度，即最大吸引度；两个萤火虫i和j之间的距离r计算如下：
Figure FDA0003206126870000053
其中，Sid和Sjd分别是粒子萤火虫i和j在第d维解空间所处的位置；计算粒子Xi(k)和粒子Xj(k)的荧光亮度Ii和Ij，若Ij>Ii，则粒子Xi(k)的位置更新公式如下：
Xi(k+1)＝Xi(k)+β(Xj(k)-Xi(k))+(rand-0.5) (17)
其中，rand是随机值，粒子更新完成后，计算更新位置后的粒子适应度值，最优个体Xbest；
S425、判断当前迭代次数k>Tmaxgen，则结束寻优，将Xbest转换为SVR对应的C和σ进行预测；若k<Tmaxgen，则k＝k+1，转步骤S424进行下一轮迭代。
2.根据权利要求1所述的一种风电功率预测方法，其特征在于，输入数据和输出数据是对第n个分量的时间序列进行连续采集而得到。
3.根据权利要求1所述的一种风电功率预测方法，其特征在于，步骤S3中所述的全部分量是指步骤S1中分解得到的除IMF1之外的多个IMF分量和一个余量、以及步骤S2中对IMF1二次分解得到的多个不同频段的子分量。
4.根据权利要求1所述的一种风电功率预测方法，其特征在于，核函数
K(xi,xj)采用径向基核函数：
K(x,xi)＝exp(-||x-xi||2/2σ2) (18)
其中，σ为核参数。
CN201911114416.5A 2019-11-14 2019-11-14 一种风电功率预测方法 Active CN111062512B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911114416.5A CN111062512B (zh) 2019-11-14 2019-11-14 一种风电功率预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911114416.5A CN111062512B (zh) 2019-11-14 2019-11-14 一种风电功率预测方法

Publications (2)

Publication Number Publication Date
CN111062512A CN111062512A (zh) 2020-04-24
CN111062512B true CN111062512B (zh) 2021-09-21

Family

ID=70297927

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911114416.5A Active CN111062512B (zh) 2019-11-14 2019-11-14 一种风电功率预测方法

Country Status (1)

Country Link
CN (1) CN111062512B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111598313A (zh) * 2020-04-28 2020-08-28 西安理工大学 一种风功率预测方法
CN111563631A (zh) * 2020-05-12 2020-08-21 山东科华电力技术有限公司 基于变分模态分解的风力发电功率预测方法及设备
CN112070303B (zh) * 2020-09-08 2022-09-20 合肥工业大学 参数自适应的光伏功率爬坡事件的分级概率性预测方法
CN112862166A (zh) * 2021-01-27 2021-05-28 兰州理工大学 一种基于信号分解的风电功率区间预测组合方法
CN113159405B (zh) * 2021-04-14 2022-03-29 西南交通大学 一种基于改进缎蓝园丁鸟算法优化lssvr的风电功率预测方法
CN113642783B (zh) * 2021-07-26 2022-04-05 深电能科技集团有限公司 电力负荷预测模型的训练方法、装置及电子设备
CN114325693A (zh) * 2021-12-19 2022-04-12 南京市测绘勘察研究院股份有限公司 一种基于InSAR时序形变结果的采空区中心形变预测方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109146186A (zh) * 2018-08-29 2019-01-04 广东工业大学 一种基于双重分解的短期风电功率预测方法
CN109242204A (zh) * 2018-09-30 2019-01-18 淮阴工学院 基于最优vmd与同步优化的超短期风速预测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
A Hybrid Intelligent Model for Deterministic and Quantile Regression Approach for Probabilistic Wind Power Forecasting;Ashraf Ul Haque,et al;《IEEE TRANSACTIONS ON POWER SYSTEMS》;20140730;全文 *
基于VMD-SE-IPSO-BNN的超短期风电功率预测;殷豪等;《电测与仪表》;20180125;参见文章0-5节 *
基于VMD-SE和机器学习算法的短期风电功率多层级综合预测模型;张亚超等;《电网技术》;20160531;参见文章0-6节 *
基于模态分解和支持向量机的风电功率组合预测;陈庆鸿等;《电气技术》;20171130;参见文章0-4节 *

Also Published As

Publication number Publication date
CN111062512A (zh) 2020-04-24

Similar Documents

Publication Publication Date Title
CN111062512B (zh) 一种风电功率预测方法
CN110334875B (zh) 计及评估指标冲突的风电功率组合概率预测方法
CN110059878B (zh) 基于cnn lstm光伏发电功率预测模型及其构建方法
Yunpeng et al. Multi-step ahead time series forecasting for different data patterns based on LSTM recurrent neural network
Kara et al. Data-driven kNN estimation in nonparametric functional data analysis
CN110309603B (zh) 一种基于风速特性的短期风速预测方法及系统
CN109886464B (zh) 基于优化奇异值分解生成特征集的低信息损失短期风速预测方法
CN110648017A (zh) 一种基于二层分解技术的短期冲击负荷预测方法
CN110808581B (zh) 一种基于dbn-svm的主动配电网电能质量预测方法
CN112508244B (zh) 一种用户级综合能源系统多元负荷预测方法
CN110969293B (zh) 一种基于迁移学习的短期广义电力负荷预测方法
Shi et al. Load forecasting for regional integrated energy system based on complementary ensemble empirical mode decomposition and multi-model fusion
Zhao et al. A short-term hybrid wind power prediction model based on singular spectrum analysis and temporal convolutional networks
CN115225516A (zh) 一种基于改进abc-vmd的最小二乘支持向量机网络流量预测方法
Iess et al. LSTM and CNN application for core-collapse supernova search in gravitational wave real data
CN116561567A (zh) 一种基于变分模态分解的短期光伏功率预测模型及构建方法、应用方法
CN104866901A (zh) 一种基于改进有效集算法优化的极限学习机二元分类方法
Wang et al. ECoPANN: a framework for estimating cosmological parameters using artificial neural networks
Ma Bayesian estimation of the Dirichlet distribution with expectation propagation
CN113627685A (zh) 一种考虑风电上网负荷限制的风力发电机功率预测方法
Chappell et al. SunnyNet: A neural network approach to 3D non-LTE radiative transfer
Su et al. A combined model based on secondary decomposition technique and grey wolf optimizer for short-term wind power forecasting
Sun et al. Solar wind speed prediction via graph attention network
Liu et al. Short-term solar flare prediction using multi-model integration method
Mendonça et al. Adversarial training with informed data selection

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant